A Dynamic Subspace Approach for Low-rank Approximation of Large-scale Nonlinear Systems

ملخص تقني: نهج الفضاء الجزئي الديناميكي للتقريب منخفض الرتبة للأنظمة غير الخطية واسعة النطاق

بيان المشكلة
يعد التقريب منخفض الأبعاد أمراً حاسماً لضغط البيانات، والتعلم الآلي، واختزال النماذج. ومع ذلك، فإن الطرق الاستاتيكية (الساكنة) القياسية، مثل تحليل المكونات الرئيسية المتعامدة (POD) والمشفرات التلقائية الخطية، تعتمد على فضاءات إسقاط ثابتة. وتفشل هذه التمثيلات الساكنة في استيعاب الظواهر العابرة والمسيطرة عليها عمليات النقل (transport-dominated phenomena) حيث تنجرف الأنماط الفيزيائية أو الهياكل المتماسكة عبر الزمن. وللحفاظ على الدقة في مثل هذه السيناريوهات، غالباً ما تتطلب الطرق الخطية الساكنة زيادة كبيرة في رتبة التقريب (الأبعاد)، وهو ما يُعرف بـ "حاجز كولموغوروف" (Kolmogorov barrier). وبينما يمكن للطرق غير الخطية التغلب على هذا الحد في القدرة التعبيرية، إلا أنها غالباً ما تضحي بقابلية التفسير أو الكفاءة الحسابية وتعتمد على تضمينات ثابتة لا تتكيف مع الحالة المتطورة.

المنهجية
يقترح المؤلفون نهج الفضاء الجزئي الديناميكي الذي ينمذج تطور قاعدة التقريب كمسار مستمر زمنياً على متعدد جراسمانيان (Grassmannian manifold) ($G(r, N)$)، وهو فضاء جميع الفضاءات الجزئية الخطية ذات البعد $r$ في $\mathbb{R}^N$.

1. الصياغة الهندسية:
   بدلاً من القاعدة الثابتة $V$، تستخدم الطريقة قاعدة متغيرة زمنياً $V(t)$ يتم تمثيلها كـ مسار جيوديسي (المسار الأقصر بين الفضاءات الجزئية). تُعرف القاعدة بـ:
   $$V(\tau) = V_1 \cos(\tau \Theta) + V_2 \sin(\tau \Theta)$$
   حيث $V_1$ و $V_2$ مصفوفات متعامدة، و $\tau$ هو الزمن المعياري، و $\Theta$ هي مصفوفة قطرية تمثل معدلات الدوران. تسمح هذه الصياغة بفصل الانجراف الهندسي للفضاء الجزئي عن التطور الجوهري للإحداثيات منخفضة الأبعاد، مما يسمح للقاعدة بالتكيف مع الفيزياء اللحظية دون تضخيم الرتبة $r$.

2. التحسين القابل للتوسع عبر فضاء السمات:
   إن التحسين المباشر عبر فضاء الحالة عالي الأبعاد (البعد $N$) غير قابل للتنفيذ حسابياً للأنظمة واسعة النطاق. ولمعالجة ذلك، قدم المؤلفون اختزال فضاء السمات:

• تُستخدم مجموعة ثابتة من أنماط السمات $n_f$ (المستمدة من المتجهات المفردة الرائدة لبيانات اللقطات عبر POD) لبناء قاعدة مختزلة $\tilde{V} \in \mathbb{R}^{N \times n_f}$.
• يتم تقييد القاعدة الديناميكية لتكون ضمن نطاق هذه السمات: $V(\tau) = \tilde{V} T(\tau)$، حيث $T(\tau)$ هي مصفوفة دوران منخفضة الأبعاد.
• ينقل هذا الإجراء متغيرات التحسين من الفضاء عالي الأبعاد ($N \times 2r$) إلى فضاء السمات ($n_f \times 2r$)، مما يجعل التكلفة الحسابية مستقلة عن بُعد الحالة الأصلي $N$.

3. التحسين الريماني (Riemannian Optimization):
   تتم صياغة مشكلة التعلم كتقليل لمتوسط خطأ الإسقاط التربيعي عبر لقطات التدريب. يتم إجراء التحسين على متعدد $\mathcal{M} = \text{St}(n_f, 2r) \times \mathbb{R}^r$، حيث يمثل $\text{St}$ فضاء ستيفل (Stiefel manifold) للمصفوفات المتعامدة. يستخدم المؤلفون محلل التدرج المترافق الريماني (عبر حزمة Pymanopt مع خلفية JAX) لفرض قيود التعامد بصرامة والتنقل عبر هندسة المتعدد. وتستخدم عملية التنفيذ العمليات المتجهة (vectorized operations) لحساب الإسقاطات لجميع الخطوات الزمنية في آن واحد، مما يلغي عبء التكرار الزمني.

المساهمات الرئيسية

• التمثيل الجيوديسي: إعادة صياغة تقليل الأبعاد كمهمة هندسية تفاضلية حيث تتطور القاعدة على طول مسارات جيوديسية على جراسمانيان، مما يسمح بتتبع الديناميكيات غير المستقرة.
• فصل التكاليف: إطار عمل قابل للتوسع يفصل تكلفة التحسين عن فضاء الحالة عالي الأبعاد $N$ من خلال إجراء التعلم في فضاء سمات مسبق الحساب.
• كفاءة الرتبة: تحقق الطريقة دقة أعلى من التقريبات الخطية الساكنة عند الرتب المتساوية، مما يؤدي فعلياً إلى كسر حاجز كولموغوروف للظواهر التي يهيمن عليها النقل دون الحاجة إلى تضخيم الرتبة.
• التنفيذ المتجهي: استراتيجية تحسين متجهة بالكامل وخالية من الحلقات التكرارية، تستفيد من قدرات الاشتقاق التلقائي والمعالجة المتوازية الحديثة.

النتائج
تم تقييم الإطار عبر مسألتين متميزتين:

1. معادلة النقل أحادية البعد: اختبار مرجعي للموجات المتحركة. أظهر نهج الفضاء الجزئي الديناميكي سرعة أكبر بكثير في التقارب في الخطأ النسبي مقارنة بـ POD الساكن. عند بُعد مختزل $r=20$، حققت الطريقة الديناميكية دقة تضاهي قاعدة POD ساكنة برتبة $2r$، مما يؤكد فعالية المنظور الجيوديسي.
2. أثر الجناح المضطرب (LES): مجموعة بيانات واسعة النطاق وعالية الدقة ($N \approx 6.6 \times 10^5$) تتضمن اضطراباً معقداً وغير مستقر.
   • تفوق نهج الفضاء الجزئي الديناميكي باستمرار على POD الساكن عبر جميع الرتب المختبرة.
   • عند $r=200$، حققت الطريقة الديناميكية خطأً نسبياً قدره 2.4% مقارنة بـ 4.0% لـ POD في لقطة اختبار.
   • التقطت القاعدة الديناميكية الهياكل المضطربة دقيقة النطاق وحافظت على الاستمرارية الزمنية، بينما أنتجت أنماط POD الساكنة نتائج أكثر نعومة وتشتتاً.
   • تقارب التحسين في حوالي 25 ثانية لـ $r=80$ على وحدة معالجة مركزية (CPU) قياسية، مما يثبت القابلية للتوسع.

الأهمية والادعاءات
يزعم البحث أن نهج الفضاء الجزئي الديناميكي هذا يقدم بديلاً قوياً وقابلاً للتوسع لتعلم المجموعات (manifold learning) التقليدي للنمذجة منخفضة الرتبة للأنظمة المعقدة وغير المستقرة. من خلال تمثيل القاعدة كمسار جيوديسي، تسمح الطريقة للفضاء التقريبي بالتطور جنباً إلى جنب مع الحالة عالية الأبعاد، مما يضمن التزامن مع الفيزياء اللحظية.

يؤكد المؤلفون أن هذا النهج:

• يخفف من حدة حاجز كولموغوروف عبر تجنب تضخيم الرتبة الذي تتطلبه عادةً الطرق الساكنة للتدفقات التي يهيمن عليها النقل.
• يبقى مستقلاً عن المعادلات الحاكمة، حيث لا يتطلب بارامترياً صريحاً للفيزياء الأساسية، مما يسهل دمجه في أكواد المحاكاة الموجودة في بيئات الإنتاج.
• يوفر إطاراً رياضياً صارماً ينقل التركيز الحسابي من التعامل مع المتجهات عالية الأبعاد إلى تحسين المعاملات الزمنية والزوايا الرئيسية.

يضع هذا العمل الطريقة كعامل تمكين حيوي لـ "التوائم الرقمية" (digital twins) عالية الدقة في عصر الحوسبة فائقة الأداء (exascale computing)، حيث تقدم محاذاة شبه مثالية للفضاء الجزئي بتعقيد حسابي أقل بكثير من النهج التقليدية. كما أشار المؤلفون إلى أن العمل المستقبلي سيركز على توسيع الطريقة لتشمل المسارات الجيوديسية المجزأة لآفاق زمنية أطول، وربط القاعدة التكيفية مع أطر اختزال النماذج القائمة المعتمدة على البيانات.